利用神经高阶条件随机场建模实例交互以实现联合信息抽取
计算与语言
2023-05-30 v2
摘要
先前关于联合信息抽取的工作通常通过表示增强、类型依赖评分或全局解码来建模实例（例如，事件触发词、实体、角色、关系）交互。我们发现，先前的模型通常考虑一对实例的二元类型依赖评分，并利用束搜索等局部搜索来近似全局解。为了更好地整合跨实例交互，在本研究中，我们引入了一个联合信息抽取框架（CRFIE），将联合信息抽取表述为高阶条件随机场。具体而言，我们设计了二元因子和三元因子，直接对不仅是一对实例而且包括三元组的交互进行建模。然后，利用这些因子来联合预测所有实例的标签。为了解决精确高阶推理的难处理性问题，我们引入了一个由平均场变分推断方法展开的高阶神经解码器，从而实现了学习与推理的一致性。实验结果表明，与我们的基线和先前工作相比，该方法在三个信息抽取任务上均取得了一致的提升。
引用
@article{arxiv.2212.08929,
title = {Modeling Instance Interactions for Joint Information Extraction with Neural High-Order Conditional Random Field},
author = {Zixia Jia and Zhaohui Yan and Wenjuan Han and Zilong Zheng and Kewei Tu},
journal= {arXiv preprint arXiv:2212.08929},
year = {2023}
}